Az NVIDIA gyorsított számítástechnikai és mesterségesintelligencia-technológiákat fejleszt, amelyeket a játékok, az adatközpontok, a felhőalapú számítástechnika, az egészségügy, a gyártás, az autóipar és a robotika területén használnak. Tevékenysége kiterjed a grafikus feldolgozóegységekre, a mesterségesintelligencia-platformokra, a szimulációra és az iparágakra szabott megoldásokra. Ezek közé tartozik az együttműködésen alapuló 3D-munkafolyamatokat támogató NVIDIA Omniverse, az autonóm járművek fejlesztésére szolgáló NVIDIA DRIVE, valamint az egészségügyi alkalmazásokhoz készült NVIDIA Clara. A vállalat nagy műszaki csapatokat fog össze, amelyek a fejlett számítástechnikát, szimulációt és mesterséges intelligencián alapuló elemzést támogató infrastruktúrán és szoftvereken dolgoznak.
Senior felhőinfrastruktúra- és megbízhatósági megoldástervező
Irányítsa a napi üzemi megbízhatóságot az EMEA-régió NVIDIA Cloud Partner GPU-flottáinál. Automatizálja a hibaelhárítást és helyreállítást, a megfigyelhetőséget, a karbantartást és a Kubernetes-műveleteket nagy léptékben.
Leírás
- Irányítsa a termelési rendszerek stabilitását és megbízhatóságát az EMEA-régió NVIDIA Cloud Partner-flottáinál.
- Határozza meg és javítsa a nagy GPU-fürtök megbízhatósági és munkaterhelés-átviteli mutatóit, és kezelje a platform hibakereteit.
- Hozzon létre automatizált észlelési és helyreállítási munkafolyamatokat GPU-, csomópont-, hálózati fabric- és tárolóhibákhoz.
- Automatizálja a hibák osztályozását, a csomópontok munkaterhelésének leürítését és elkülönítését, az újraindításokat, valamint a szolgáltatásba való visszaállítás lépéseit.
- Tervezze meg és hajtsa végre a megelőző karbantartást, valamint a firmware- vagy helyszíni értesítések szerinti bevezetéseket a kockázatértékeléstől és a fokozatos telepítéstől az ellenőrzésig.
- Integrálja a flottaszintű megfigyelhetőségi és megbízhatósági eszközöket — köztük a Prometheust, a Grafanát, a Lokit, a DCGM-et, az XID-diagnosztikát, a GPUd-t és az NVSentinelt — a partneri rendszerekkel.
- Koordinálja az incidenskezelést és az incidensek utáni felülvizsgálatokat az NVEX-szel, a műszaki ügyfélmenedzserekkel és a partneri üzemeltetési csapatokkal.
- Vezesse a kiváltó okok vizsgálatát, zárja le a korrekciós intézkedéseket, és alakítsa a visszatérő incidenseket automatizálássá, állapotellenőrzésekké vagy üzemeltetési útmutatókká.
- Kezelje a Kubernetes-csomópontok életciklusát és megbízhatóságát Kubernetes-, KubeVirt- és Slurm-környezetekben, valamint GPU-tudatos ütemezők mellett.
- Határozza meg a csomópontok állapotára vonatkozó irányelveket, és koordinálja a frissítéseket, újraindításokat, valamint a GPU-gyorsítású csomópontok munkaterhelésének biztonságos leürítését.
Követelmények
- Számítástechnikai, villamosmérnöki vagy számítógép-mérnöki, fizikai, matematikai vagy kapcsolódó területen szerzett alap-, mester- vagy doktori fokozat, illetve azzal egyenértékű tapasztalat.
- Legalább 8 év tapasztalat site reliability engineering, termelési mérnöki munka vagy nagy léptékű infrastruktúra-üzemeltetés területén.
- Bizonyított felelősségvállalás a nagy léptékű termelési megbízhatóságért, beleértve az SLO-kat és hibakereteket, az ügyeleti munkát és az incidensirányítást, a hibáztatásmentes felülvizsgálatokat, valamint a rendelkezésre állás vagy a megszakítások közötti átlagos idő mérhető javítását.
- HPC- vagy AI-fürtök és NVIDIA GPU-infrastruktúra gyakorlati üzemeltetési tapasztalata, beleértve az illesztőprogramok és a CUDA-eszközkészlet életciklusát, a firmware-t, a munkaterhelések profilozását, valamint a CPU-k, GPU-k és nagy sebességű összeköttetések hibakeresését.
- Széles körű tapasztalat GPU- és HPC-környezetek Kubernetes-üzemeltetésében, beleértve a csomópontok életciklusát, a frissítéseket és a leürítést, az ütemező működését, a Slurmot, valamint a fizikai és virtualizált, több-bérlős rendszerek vegyes használatát.
- Jártasság Pythonban és Bashben, infrastruktúrakódban és konfigurációkezelésben, például Ansible-ben és Terraformban, GitOps-alapú flottakezelésben és frissítésekben, valamint Prometheusban, Grafanában és Lokiban.
- Erős Linux-ismeretek, többek között Red Hat és Ubuntu, az operációs rendszer hangolása és biztonsága, az adatközponti hálózatok alapjai, valamint párhuzamos vagy vállalati tárolók, például Lustre, GPFS, ZFS és XFS.
- Tapasztalat proaktív firmware-, mikrokód- vagy helyszíni értesítések szerinti bevezetések megtervezésében és végrehajtásában nagy méretű termelési flottán.
- Jártasság a DCGM, az XID-diagnosztika, a GPUd, az NVSentinel, a csomóponti állapotfigyelő ügynökök és a flottaszintű megbízhatósági elemzések terén.
- Tapasztalat NVIDIA GPU és Network Operatorokkal, valamint az NVIDIA Base Command Managerrel.
- Gyakorlati tapasztalat Kubernetes-alapú AI-ütemezési és következtetési keretrendszerekkel, például KAI-jal, Grove-val, Dynamo-val és NVIDIA Cloud Functions-szel.
- Szakértelem RDMA-hálózatokban, például InfiniBand vagy RoCE terén; előnyt jelent a Cumulus Linux, a SONiC, a Spectrum-X, a DPU/DOCA, valamint az NVLink/NVSwitch partíciókezelési műveleteinek ismerete.